近日,武汉大学遥感信息工程学院孙万捷副研究员图像超分辨率重建论文 ‘Learning Many-to-Many Mapping for Unpaired Real-World Image Super-resolution and Downscaling’被人工智能领域顶级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》(影响因子20.8)录用。
图像超分辨率重建是一项极具挑战性的研究课题,尤其是在缺乏配对低分辨率和高分辨率训练图像的情况下。现有效果较好的图像超分辨率重建模型大多依赖于监督训练,但在基于插值方法合成的低/高分辨率图像数据集上监督训练的图像超分辨率重建模型,难以在真实场景图像上取得良好的效果。此外,这些模型仅利用了超分辨率重建过程中高分辨率图像对低分辨率图像的依赖,并没有建立并充分利用图像降采样和超分辨率重建之间的相互依赖关系。
![144CB](/__local/0/54/AB/5294082E44D7664F5B6D3EF8D7F_6291B799_144CB.png)
图1 SDFlow模型的总体架构示意图
这篇论文创新性地提出了一种面向真实场景的图像降采样和超分辨率重建的统一模型SDFlow,该模型能够在缺乏监督信息的真实场景中同时学习真实场景低分辨率图像和高分辨率图像之间的双向多对多映射关系。SDFlow的核心思想是在图像特征空间中解耦图像内容表达和退化表达,利用可逆神经网络将低分辨率图像和高分辨率图像的内容信息建模为具有相同概率分布的特征表达,将低分辨率图像的退化信息和高分辨率图像的高频信息分别拟合到一个易于采样的条件概率分布中。实验结果表明,SDFlow在真实场景图像超分辨率重建数据集上的性能表现优异,能够生成多样化的真实低分辨率降采样图像和超分辨率重建图像。
![6ADC9](/__local/A/B2/3C/1D35E676E43910EB23123341002_99C798FC_6ADC9.png)
图2 SDFlow在真实场景图像超分辨率重建数据集上的可视化结果
SDFlow为面向真实场景的图像超分辨率重建和降采样技术的发展提供了新的研究思路和方法。陈震中教授课题组将继续深入图像增强方面的研究,为推动相关图像处理领域的进步作出更多贡献。
该论文的第一作者是孙万捷副研究员,通信作者为陈震中教授。本研究成果得到了国家自然科学基金青年项目(62201403)和重点项目(62036005)的支持。项目已经开源:https://github.com/sunwj/sdflow